論文の概要: Deep Learning Framework for the Design of Orbital Angular Momentum Generators Enabled by Leaky-wave Holograms

• arxiv url: http://arxiv.org/abs/2304.12695v1
• Date: Tue, 25 Apr 2023 10:01:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 21:00:34.739042
• Title: Deep Learning Framework for the Design of Orbital Angular Momentum Generators Enabled by Leaky-wave Holograms
• Title（参考訳）: 漏洩波ホログラムによる軌道角運動量発生器の設計のためのディープラーニングフレームワーク
• Authors: Naser Omrani, Fardin Ghorbani, Sina Beyraghi, Homayoon Oraizi, Hossein Soleimani
• Abstract要約: 本稿では、フラット光学(FO)と機械学習(ML)を併用して、OAMを担持する電磁波を発生させる漏れ波ホログラフィックアンテナの設計手法を提案する。 本システムの性能向上のために,機械学習を用いて,放射パターン全体を効果的に制御できる数学的関数を探索する。 それぞれのパラメータに対して最適な値を決定することができ、結果として所望の放射パターンが生成され、合計77,000個のデータセットが生成される。
• 参考スコア（独自算出の注目度）: 0.6999740786886535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel approach for the design of leaky-wave holographic antennas that generates OAM-carrying electromagnetic waves by combining Flat Optics (FO) and machine learning (ML) techniques. To improve the performance of our system, we use a machine learning technique to discover a mathematical function that can effectively control the entire radiation pattern, i.e., decrease the side lobe level (SLL) while simultaneously increasing the central null depth of the radiation pattern. Precise tuning of the parameters of the impedance equation based on holographic theory is necessary to achieve optimal results in a variety of scenarios. In this research, we applied machine learning to determine the approximate values of the parameters. We can determine the optimal values for each parameter, resulting in the desired radiation pattern, using a total of 77,000 generated datasets. Furthermore, the use of ML not only saves time, but also yields more precise and accurate results than manual parameter tuning and conventional optimization methods.
• Abstract（参考訳）: 本稿では,Flat Optics (FO) と機械学習 (ML) 技術を組み合わせて,OAMを駆動する電磁波を発生させる漏洩波ホログラフィックアンテナの設計手法を提案する。 本システムの性能を向上させるために,機械学習を用いて放射線パターン全体を効果的に制御できる数学的関数,すなわち,放射線パターンの中心ヌル深さを増加させると同時にサイドローブレベル(sll)を低下させる。 様々なシナリオにおいて最適な結果を得るためには,ホログラフィック理論に基づくインピーダンス方程式のパラメータの精密チューニングが必要である。 本研究では,パラメータの近似値を決定するために機械学習を適用した。 各パラメータの最適な値を決定でき、合計77,000個の生成されたデータセットを使用して、所望の放射線パターンが得られる。 さらに、MLの使用は時間を節約するだけでなく、手動パラメータチューニングや従来の最適化手法よりも正確で正確な結果をもたらす。

関連論文リスト

• Rapid Parameter Estimation for Extreme Mass Ratio Inspirals Using Machine Learning [15.908645530312487]
  EMRI(Extreme-mass-ratio Inspiral)信号は重力波(GW)天文学において重要な課題である。 機械学習は、EMRI信号に関連する最大17のパラメータを含む広大な空間を効率的に処理できる可能性があることを示す。
  論文  参考訳（メタデータ） (2024-09-12T11:36:23Z)
• MixLight: Borrowing the Best of both Spherical Harmonics and Gaussian Models [69.39388799906409]
  既存の作業では、照明マップを生成したり、照明パラメータを回帰することによって照明を推定する。 本稿では,SHとSGの相補的特性を利用して,より完全な照明表現を実現するジョイントモデルであるMixLightを提案する。
  論文  参考訳（メタデータ） (2024-04-19T10:17:10Z)
• Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
  本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。 提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
  論文  参考訳（メタデータ） (2023-11-30T13:50:21Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• Machine Learning Assisted Inverse Design of Microresonators [0.0]
  本稿では,マイクロ共振器の形状を分散プロファイルから決定するツールとして,機械学習(ML)アルゴリズムを実演する。 460サンプルのトレーニングデータセットを有限要素シミュレーションにより生成し, 統合窒化ケイ素マイクロ共振器を用いて実験的に検証した。
  論文  参考訳（メタデータ） (2022-11-10T07:55:22Z)
• NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric Photonic Device Simulation [17.295318670037886]
  超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域Maxwell PDEのファミリーを学習するために、NeurOLightと呼ばれる物理に依存しないニューラルネットワークフレームワークが提案されている。 我々は、NeurOLightが、未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2桁の高速なシミュレーション速度を示し、予測誤差を54%減らし、パラメータを44%減らして、従来のニューラルネットワークモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T21:25:26Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Experimental Investigation and Evaluation of Model-based Hyperparameter Optimization [0.3058685580689604]
  本稿では、一般的な機械学習アルゴリズムの理論的および実践的な結果の概要を述べる。 Rパッケージmlrは機械学習モデルの統一インターフェースとして使用される。
  論文  参考訳（メタデータ） (2021-07-19T11:37:37Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Predicting atmospheric optical properties for radiative transfer computations using neural networks [0.0]
  我々は、現代の放射パラメータ化(RRTMGP)をエミュレートするためにニューラルネットワークを訓練することで、ガス光学特性の機械学習に基づくパラメトリゼーションを開発する。 我々のニューラルネットワークベースのガス光学パラメトリゼーションは、ニューラルネットワークのサイズによって、RRTMGPの最大4倍高速である。 機械学習に基づくパラメトリゼーションは、高い精度を維持しつつ、放射移動計算を高速化することができると結論付けている。
  論文  参考訳（メタデータ） (2020-05-05T15:00:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。